【技术实现步骤摘要】
推荐模型的训练方法、推荐方法、装置、设备及存储介质
本申请涉及推荐模型领域，尤其涉及一种推荐模型的训练方法、用户推荐方法、装置、设备及存储介质。
技术介绍
随着互联网和电子商务的迅猛发展，推荐系统成为企业提高市场竞争力的重要工具。当推荐系统内有新用户加入时，由于新用户在推荐系统中不存在历史数据，这就无法根据传统的推荐算法来为新用户进行推荐，推荐的准确率较低。现有技术中为了对新用户进行推荐，往往会需要联合多方数据，但在多公司之间进行数据共享访问时，容易导致客户隐私泄露，而产生隐私性问题。因此，如何在训练推荐模型时提高数据安全，并且提高训练得到的推荐模型的推荐准确率成为亟待解决的问题。
技术实现思路
本申请提供了一种推荐模型的训练方法、用户推荐方法、装置、设备及存储介质，以提高数据安全，并且提高训练得到的推荐模型的推荐准确率。第一方面，本申请提供了一种推荐模型的训练方法，所述方法包括：获取多个参与方的共同本地数据，所述共同本地数据包括用户信息和所述用户信息对应的物品评分信息，并基于所述...
【技术保护点】
1.一种推荐模型的训练方法，其特征在于，包括：/n获取多个参与方的共同本地数据，所述共同本地数据包括用户信息和所述用户信息对应的物品评分信息，并基于所述用户信息和所述用户信息对应的物品评分信息构建多个物品评分矩阵；/n对构建的多个所述物品评分矩阵进行矩阵分解，得到用户隐矩阵和多个物品隐矩阵；/n各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，并基于所述用户隐矩阵和多个所述物品隐矩阵构建矩阵模型，计算所述矩阵模型的损失函数的损失值；/n当所述矩阵模型的损失函数的损失值达到预设值时，将所述矩阵模型作为推荐模型，完成模型训练。/n
【技术特征摘要】
1.一种推荐模型的训练方法，其特征在于，包括：
获取多个参与方的共同本地数据，所述共同本地数据包括用户信息和所述用户信息对应的物品评分信息，并基于所述用户信息和所述用户信息对应的物品评分信息构建多个物品评分矩阵；
对构建的多个所述物品评分矩阵进行矩阵分解，得到用户隐矩阵和多个物品隐矩阵；
各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，并基于所述用户隐矩阵和多个所述物品隐矩阵构建矩阵模型，计算所述矩阵模型的损失函数的损失值；
当所述矩阵模型的损失函数的损失值达到预设值时，将所述矩阵模型作为推荐模型，完成模型训练。
2.根据权利要求1所述的推荐模型的训练方法，其特征在于，多个参与方中包括推荐参与方和其他参与方，所述其他参与方为多个参与方中除所述推荐参与方以外的其他训练参与方，多个所述物品隐矩阵包括推荐物品隐矩阵和其他物品隐矩阵；所述各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，包括：
分别对所述用户隐矩阵和多个所述物品隐矩阵进行初始化，得到初始化用户隐矩阵、初始化推荐物品隐矩阵和初始化其他物品隐矩阵；
将所述初始化用户隐矩阵发送至其他参与方，使其他参与方在本地基于所述初始化其他物品隐矩阵和所述初始化用户隐矩阵计算中间值，将所述中间值发送给所述推荐参与方；
基于所述中间值对所述初始化用户隐矩阵进行更新，得到更新用户隐矩阵和更新推荐物品隐矩阵；
将所述更新用户隐矩阵发送至其他参与方，使其他参与方基于所述初始化用户隐矩阵对所述初始化其他物品隐矩阵进行更新，得到更新其他物品隐矩阵。
3.根据权利要求2所述的推荐模型的训练方法，其特征在于，所述计算所述矩阵模型的损失函数的损失值，包括：
基于所述特征矩阵的损失函数公式，根据所述更新用户隐矩阵、所述更新推荐物品隐矩阵和所述更新其他物品隐矩阵计算所述特征矩阵的损失函数的损失值；
所述特征矩阵的损失函数公式为：
其中，LJ表示特征矩阵J的损失函数；ui为用户隐矩阵U的第i行向量，代表用户i的特征向量；vAj为推荐物品隐矩阵VA的第j行向量，代表推荐参与方中第j种物品的特征向量；vBj为其他物品隐矩阵VB的第j行向量，代表其他参与方中第j种物品的特征向量；λ1，λ2为正则化系数。
4.根据权利要求2所述的推荐模型的训练方法，其特征在于，所述方法包括：
根据所述更新用户隐矩阵、所述更新推荐物品隐矩阵和所述更新其他物品隐矩阵计算所述特征矩阵的损失函数的损失值，并采用梯度下降法最小化所述损失函数的损失值。
5.根据权利要求2所述的推荐模型的...
【专利技术属性】
技术研发人员：王健宗，李泽远，何安珣，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。